CN110187696A - 基于动态趋势的一阶随动***传感器故障诊断方法及*** - Google Patents

Abstract

基于动态趋势的一阶随动***传感器故障诊断方法及***。本发明涉及一阶随动控制***传感器故障诊断方法，包括以下步骤：通过模拟机械开关实现了乘性故障模块、无故障模块和加性故障模块之间的切换，采集实验数据；在分析正常和故障***动态特性基础上，建立故障监测、故障估计以及故障分离静态模型，提出在线应用的诊断模型标定方法和诊断流程；根据“复杂过程***创新实验平台”在线仿真验证了该故障诊断方法的有效性和诊断的高精度。本发明可广泛应用于一阶随动控制***的传感器在线故障诊断中。

Description

基于动态趋势的一阶随动***传感器故障诊断方法及***

技术领域

本发明涉及一种传感器故障诊断***及其方法，尤其涉及一般的一阶随动控制***传感器故障诊断方法及其***，提出基于动态趋势的一阶随动***传感器故障实时诊断方法，属于数据驱动领域。

背景技术

近年来，故障诊断技术得到了很大发展，被广泛应用在不同领域中。现有的故障诊断技术可以分为三大类。第三类方法便是基于数据驱动法，不依赖于控制对象的解析模型，利用实时数据在线处理分析故障类型，例如小波分析法、卡尔曼滤波和希尔伯特变换；或者根据大量已知样本总结出故障特征从而进行推理，例如神经网络、贝叶斯理论、遗传算法、模式识别和主成分分析法。目前基于数据驱动的故障诊断方法是研究热点，不仅避免了基于解析模型法的缺点，例如：由于复杂***的规模效应，无法建立整个***的机理模型，在实际故障诊断中有着很大局限性；而且弥补了基于定性经验法的不足，例如：只能定性判断故障种类，对后续故障处理不能给出更多指导。与开环***相比,闭环***中的故障诊断性能有所下降，并且传感器是感知信号、获取信息和传递信息的重要元件，因此研究一种适用于随动***的实时性强，不依赖于大量测试集，并且能够实现定量分析的黑箱故障诊断方法是非常有必要的。

发明内容

发明目的：为解决一阶随动控制***中常见的传感器故障监测、故障估计以及故障分离等问题，提出了一种基于动态趋势的一阶随动***传感器故障实时诊断方法。避免了***模型建立不精确的缺陷，同时也避免了环境干扰和***其它组成部分特性的影响，提高诊断***的诊断成功率。

技术方案：为解决上述技术问题，本发明提供一种基于动态趋势的一阶随动控制***传感器故障诊断方法及***，基于四容水箱的“复杂过程***创新实验平台”，该平台通过OPC通讯技术将服务器连接到实验设备的下位机PLC，结合组态Wincc监控界面的实时监控在线动态数据。

一种基于动态趋势的一阶随动控制***传感器故障诊断方法，包括如下步骤：

(1)通过Simulirik对研究过程进行建模；通过上位机组态软件SIMATIC WinCC建立人机界面，方便控制实验过程，满足研究需要；建立单容液位***半实物基础实验平台进行动态仿真；

(2)如图1所示，通过模拟机械开关实现了乘性故障模块、无故障模块和加性故障模块之间的切换，采集实验数据；并通过SIMATIC WinCC建立的人机界面实时观察水位变化，及时处理异常情况；

(3)利用Matlab软件对离散数据点进行处理，根据数值分析图研究故障特征值；

(4)基于滑动窗口的数据处理模型，将故障隔离在窗口内，构建故障监测静态模型；

数据绝对值残差是一个判定标准，可以用于统计***发生故障时的边界值：

e＝|A-A^*| (1)

其中e为绝对值残差，A为可观察数据值，A^*为期望数据值。***发生故障后的***响应需要一定的控制时间，为了避免***做出相应控制动作后单个数据不足以反映变化，截取合理的数据窗口尤为重要，利用数据窗口还可以滤除传感器本身测量噪声对故障诊断的干扰。

当***采样周期为T，数据点总数为N，选取数据窗口大小t(数据点n)，则有：

n＝t/T (2)

采用堆栈结构将新采集的动态数据填充进窗口并剔除最早的数据，设共有m个数据窗口，则：

m＝N-n+1 (3)

数据的窗口残差和由该窗口内所有数据点绝对值残差相加得到，设E_i为第i个窗口残差和，那么：

式中A_i为第i个实际数据点，A_i ^*为第i个期望数据点。

假设正常数据残差和满足正态分布，采集l组正常数据的最大残差和，计算l组数据最大残差和平均值：

标准差为：

将2σ作为去除异常数据的方法，则故障发生时残差和：

故障监测方法即是将窗口绝对值残差和与阈值作比较，若超出了阈值范围，则判断***发生了故障，反之***属于正常运行状态。

式(7)即为故障监测的静态模型，实际应用时要结合实际***在线数据进行标定。

(5)利用自适应阈值二值化方法计算故障向量，构建故障估计静态模型；

采用角系数法计算故障向量。

设y'_i为斜率：

其中(t_i,y_i)，(t_i+1,y_i+1)为两个相邻数据点，采样周期为T。

加性故障估计方法当***的故障类型为加性故障时，此时加性故障偏差a为：

当a的符号为正时，***故障值为增量，反之为减量。

乘性故障估计方法当***的故障类型为乘性故障时，此时乘性故障增益k为：

当k＞1时，***故障值为增量；当k＜1时，***故障值为减量。

式(9)和(10)即为故障估计的静态模型。

(6)利用最小二乘法对不同模拟故障程度的数据进行一次曲线拟合，将该拟合曲线的一次项系数作为故障特征值，进行二次拟合并构建故障分离静态模型；

当确定故障发生后，选取数据变化最为明显的区间t，得到时间变量集为t＝[t₁,t₂,...,t_w]，相应的动态响应测量集为y＝[y₁,y₂,...,y_w]，根据最小二乘法得到这段区间内数据动态趋势的拟合方程：

采用***的加性故障状态和乘性故障状态不同强度的模拟动态数据进行处理，将式(11)中一次项系数作为提取到的特征值EV：

其中P为加性故障特征值，Q为乘性故障特征值。为了定量的分析两种故障特征值的区别，再次采用一元线性回归法对不同故障类型的一次项系数进行拟合，以加性故障偏差作为自变量，以加性故障一次项系数作为因变量，得到加性故障特征值拟合方程：

p＝f(a) (13)

将乘性故障的增益作为自变量，以乘性故障一次项系数作为因变量，得到乘性故障特征值拟合方程：

q＝g(k) (14)

在***发生故障时，基于故障估计分别得到加性和乘性的故障强度，将加性故障偏差和乘性故障增益代入相应拟合方程中得到相应的和

故障分离方法故障诊断时利用实测数据的一次项系数与和计算：

较小者视为有效结果，由此判断故障类型为加性故障或者乘性故障。

式(15)即为故障分离的静态模型。

(7)提出在线应用的诊断模型标定方法和诊断流程；

如图2所示实际工程应用中传感器***在线标定及故障诊断的流程图。在***每次重新投运和故障维护后重新进行相应的标定，以适应***特性。故障诊断分为三步进行，分别是实时故障监测、故障估计及故障分离。

(8)根据“复杂过程***创新实验平台”在线仿真验证了该故障诊断方法的有效性和诊断的高精度。

有益效果：本发明相对于现有技术而言具有以下优点：

1、本方法适用于随动***的实时性强，不依赖于大量测试集，并且能够实现定量分析的黑箱故障诊断方法，避免了***模型建立不精确的缺陷，同时也避免了环境干扰和***其它组成部分特性的影响，提高诊断***的诊断成功率；

2、数据来源丰富，基于实际工程应用中所产生的历史数据以及模拟仿真数据，且数据样本足够大；

3、本***避免了增加额外的设备即可实现在线故障诊断技术，可以较好的整合入原有控制***中，有利于减少生产成本，提高自动化工程的安全性。

附图说明

图1是本发明中故障诊断步骤(2)中的单回路控制***方框图；

图2是本发明中故障诊断步骤(7)中的在线标定及故障诊断流程图；

图3是本发明中具体实施步骤3中的故障分离原理示意图；

图4是本发明中具体实施步骤3中的加性故障偏差a<0的二次拟合曲线；

图5是本发明中具体实施步骤3中的加性故障偏差a>0的二次拟合曲线；

图6是本发明中具体实施步骤3中的乘性故障增益k<1的二次拟合曲线；

图7是本发明中具体实施步骤3中的乘性故障增益k>1的二次拟合曲线；

图8是本发明中具体实施步骤4中的加性故障偏差+1.0cm时窗口残差和；

图9是本发明中具体实施步骤4中的加性故障偏差-0.1cm时窗口残差和；

图10是本发明中具体实施步骤4中的乘性故障增益1.02时窗口残差和；

图11是本发明中具体实施步骤5中的加性故障偏差+1.5cm时液位变化率；

图12是本发明中具体实施步骤5中的乘性故障0.80时液位变化率。

具体实施方式

下面以某一阶随动液位控制***超声波传感器为例来介绍本发明提供的在线故障诊断方法的具体实施步骤。

结合图2所示流程，步骤如下：

1、实验中设最终期望液位值为10cm，单次实验中设备运行时间设定为1000s，采样周期T_s＝0.5s。

随动***设定输入斜率为0.01cm/s的斜坡信号，零时刻开始输入初始值为零的信号。选取500s时刻加入设定值的20％范围内的不同强度故障，分析不同故障情况下的液位变化规律。

2、设定t＝25s为数据窗口大小，则每个窗口数据点n为：

n＝t/T＝50

一次实验有N＝2001个数据，共有m个数据窗口：

m＝N-n+1＝1952

根据加窗绝对值残差和的方法，求得多组正常无故障状态下数据的最大窗口残差和，为集合E_Max：

E_Max＝[E_1max,E_2max,...,E_15max]

＝[5.9134,6.2123,5.1452,7.4221,7.2116,

3.7570,5.3467,4.6190,6.1961,5.7457,

5.9872,6.0425,5.0343,6.6345,4.9857]

根据公式(5)、(6)得到这10组数据的平均值及标准差：

由公式(7)确定故障阈值为E^*＝7.6244。

3、如图3所示故障分离原理图，得到不同程度故障状态下的拟合函数曲线，如图所示：

当加性故障偏差a＜0时，二次拟合曲线如图4，相对应的拟合函数为：

q(a)＝-0.0206a²-0.1001a+0.0087，并有r²＝0.9978，RMSE＝0.001862

当加性故障偏差a＞0时，二次拟合曲线如图5，相对应的拟合函数为：

q(a)＝0.0390a²-0.2055a+0.0195，并有r²＝0.992，RMSE＝0.00777

当乘性故障增益k＜1时，二次拟合曲线如图6，相对应的拟合函数为：

p(k)＝1.9352k²-4.8900k+2.9569，并有r²＝0.996，RMSE＝0.002712

当乘性故障增益k＞1时，二次拟合曲线如图7，相对应的拟合函数为：

p(k)＝-1.4981k²+2.3195k-0.8284，并有r²＝0.9933，RMSE＝0.00207

从以上拟合结果来看，r²接近于1，RMSE接近于0，说明数据对模型的拟合程度很好。

4、如图8所示，采用故障监测静态模型对故障进行监测；故障检测灵敏度边界测试确定实时数据的漏检情况，如图9和图10所示，在随动控制***中当加性故障偏差在设定值的1％的范围内时，乘性故障增益在设定值的2％范围内时故障监测可能出现漏检情况。同时对多组故障大小在设定值2％范围外的情况进行故障监测，故障监测均未出现漏检情况。

5、以随动***发生加性故障+1.5cm和乘性故障0.80为例，变化率曲线如图11、12所示。

当故障类型为加性故障时，由图11所示的最大变化率可得到故障偏差a_(+1.5)：

a_(+1.5)＝Ty'_m＝0.5s×3cm/s＝1.5cm

当故障类型为乘性故障时，由图12所示的最大变化率可得到故障增益k_(0.80)：

表1故障估计验证结果

如表1所示，在加期望值的5％范围内，选取多组加性故障和乘性故障进行实验，通过故障估计方法来确定实时数据的故障向量，判断故障估计的精度。

6、

表2故障分离验证结果

如表2所示，当随动控制***传感器发生的故障大小在偏离期望液位值的1.5％以内时，不能分离。对于定值***，故障同样在偏离期望液位值的1.5％的范围内，不能分离。

故障诊断总结基于动态趋势的随动***传感器故障诊断的故障强度有效范围是1.5％，故障估计精度为3.0％；验证了方法的有效性和诊断的高精度。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (3)

1.一阶随动控制***传感器故障诊断***，其特征在于：

基于四容水箱的“复杂过程***创新实验平台”，该平台通过OPC通讯技术，将OPC服务器连接到实验设备的下位机PLC，Matlab/Simulink虚拟控制器能够通过PID运算进行液位控制，结合组态Wincc监控界面的实时监控和Matlab中Workspace的在线动态数据进行实时数据分析和建立诊断模型。通过调用Simulink函数编写程序生成M文件动态链接到Matlab软件中实现故障诊断方法的验证。

2.一阶随动控制***传感器故障诊断方法，其包括以下步骤：

1)通过Simulirik对随动信号输入过程进行建模；通过上位机组态软件SIMATIC WinCC建立人机界面，方便控制实验过程，满足研究需要；建立单容液位***半实物基础实验平台进行动态仿真；

2)通过模拟机械开关实现了乘性故障模块、无故障模块和加性故障模块之间的切换，采集实验数据；并通过SIMATIC WinCC建立的人机界面实时观察随动***液位变化，及时处理异常情况；

3)基于滑动窗口的数据处理模型，将故障隔离在窗口内，构建故障监测静态模型：

4)利用自适应阈值二值化方法计算故障向量，构建故障估计静态模型：

5)当确定故障发生后，选取数据变化最为明显的区间t，得到时间变量集为t＝[t₁,t₂,...,t_w]，相应的动态响应测量集为y＝[y₁,y₂,...,y_w]，根据最小二乘法得到这段区间内数据动态趋势的拟合方程：

采用***的加性故障状态和乘性故障状态不同强度的模拟动态数据处理，将式(12)中一次项系数作为提取到的特征值EV：

其中P为加性故障特征值，Q为乘性故障特征值。为了定量的分析两种故障特征值的区别，再次采用一元线性回归法对不同故障类型的一次项系数进行拟合，分别以加性故障偏差和乘性故障的增益作为自变量，分别以各自的一次项系数作为因变量，得到加性故障特征值和乘性故障特征值静态模型：

在***发生故障时，基于故障估计分别得到加性和乘性的故障强度，将加性故障偏差和乘性故障增益代入相应拟合方程中得到相应的和

故障定位静态模型故障诊断时利用实测数据的一次项系数与和计算：

较小者视为有效结果，由此判断故障类型为加性故障或者乘性故障。

3.权利要求2所述的一阶随动控制***传感器故障诊断方法，其特征在于：所述步骤3)中故障检测阈值的确定方法：

数据绝对值残差是一个判定标准，可以用于统计***发生故障时的边界值：

e＝|A-A^*| (8)

其中e为绝对值残差，A为可观察数据值，A^*为期望数据值。***发生故障后的***响应需要一定的控制时间，为了避免***做出相应控制动作后单个数据不足以反映变化，截取合理的数据窗口尤为重要，利用数据窗口还可以滤除传感器本身测量噪声对故障诊断的干扰。

当***采样周期为T，数据点总数为N，选取数据窗口大小t(数据点n)，则有：

n＝t/T (9)

采用堆栈结构将新采集的动态数据填充进窗口并剔除最早的数据，设共有m个数据窗口，则：

m＝N-n+1 (10)

数据的窗口残差和由该窗口内所有数据点绝对值残差相加得到，设E_i为第i个窗口残差和，那么：

式中A_i为第i个实际数据点，A_i ^*为第i个期望数据点。

假设正常数据残差和满足正态分布，采集l组正常数据的最大残差和，计算l组数据最大残差和平均值：

标准差为：

将2σ作为去除异常数据的方法，则故障发生时残差和：

其中E^*为故障监测阈值。